Nichtmonotone Grauwertabbildung
|
|
- Fanny Richter
- vor 7 Jahren
- Abrufe
Transkript
1 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 1 Nichtmonotone Grauwertabbildung Zwei Grauwertfenster in einem Bild. g (g) g Erzeugt künstliche Kanten. Grenzen von Maxima der Transferfunktion nicht immer erkennbar.
2 Beispiel Eine Zuordnung zwischen Helligkeit und ursprünglichem Grauwert ist nicht mehr herstellbar. LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 2
3 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 3 Analoge Variante: Solarisation Lange bekannter chemischer Effekt bei der Negativoder Positiventwicklung Entsteht durch zus. Belichtung während der Entwicklung z.b.: jemand betritt unangemeldet die Dunkelkammer Bewirkt nichtmonotone Schwärzungskurve Schwer zu steuern in der analogen Photographie Fotos oben von 1938,
4 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 4 Farbe zur Kontrastverstärkung Es können wesentlich mehr Farb- als Grauwerte unterschieden werden. Kontrastverstärkung durch drei nicht-lineare, nicht-monotone Abbildungsfunktionen der Grauwerte: redi(g), greeni(g) bluei(g)
5 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 5 Beispiel Achtung: Nichtlineare Transformationen erzeugen künstliche Kanten.
6 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 6 Beispiel Ein Zusammenhang zwischen Farbe und Grauwert ist nicht mehr erkennbar.
7 Alltägliches Beispiel LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 7
8 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 8 Was sollten Sie bis hierhin gelernt haben? Punktbasierte Verfahren werden über eine Transferfunktion zwischen Grauwerten (Farbwerten) definiert. Grauwerttransformationen monoton: linear, γ-korrektur, Histogrammlinearisierung Nicht monoton: Stufentransformation, Falschfarbdarstellung. Erfolg kann an kontrastbasierten Maßzahlen ermittelt werden. Objektabhängige Bildverbesserung erfordert Zusatzwissen.
9 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 9 Flächenbasierte Bildverbesserung Rauschen kann durch Integration einer Signalfolge mit (nahezu) konstantem Signal reduziert werden. Konstante Signalfolge: Integration über eine zeitliche Folge. Integration über eine homogene Fläche. Lineare verschiebungsinvariante Operatoren Konvolutionsmethoden Filterung im Frequenzraum
10 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 10 Zeitliche Folge Annahmen Aufnahme mehrerer Bilder g i, i=1,i über einen gegebenen Zeitraum. Bild verändert sich über den Zeitraum nicht (keine Bewegung, keine Beleuchtungsänderung). Erwartungswert E des Rauschens n ist 0. Näherung an die unverrauschte Funktion f: E{g(m,n)} = E{f(m,n)} +E{n(m,n)} = E{ f(m,n) } +0 = f(m,n) Abschätzung von E{g(m,n)} durch Integration über die Bilder.
11 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 11 Beispiel Einzelne Aufnahme mit normalverteiltem Rauschen (SNR 1.2). Addition von 10 bzw. 50 Aufnahmen. SNR max = Aufnahmen 50 Aufnahmen SNR max =2.21 SNR max =4.74
12 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 12 Integration über die Fläche Falls für eine Reihe von Bildpunkten (p 0,...,p n ) gilt, dass f(p i )=const, dann kann Rauschen n mit E{n}=0 durch Addition der gemessenen Funktionswerte g(p i ) reduziert werden. Annahmen: Bild besteht aus homogenen Bereichen. Benachbarte Punkte haben den gleichen Grauwert. Rauschunterdrückung: Mittelwertbildung über vorgegebene Nachbarschaft. SNR max =2.83
13 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 13 Mittelwertbildung durch Konvolution Konvolutionskern: Gleichmäßige Gewichtung der Pixel in einer gegebenen Nachbarschaft f(m,n) Linie n=150 (rot) m original
14 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 14 3x3 Boxcar-Filter 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 Filterkern Rot = original Weiss = gefaltet
15 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 15 7x7 Boxcar-Filter Beobachtung: Kanten werden degradiert. Grund: Annahme konstanter Funktionswerte ist nicht wahr. Rot = original Weiss = gefaltet
16 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 16 Verhalten an Kanten nach 3x3 Boxcar-Filterung nach 7x7 Boxcar-Filterung f(m,n)-g(m,n)
17 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 17 Richtungsabhängigkeit des Mittelwertfilters Transferfunktion (Repräsentation im Frequenzraum). F(u,v) u v
18 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 18 Auswirkungen original Bildzeile rot: vor der Filterung weiß: nach Filterung 9 9 Mittelwertfilter kontrastverstärkt Artefakte Artefakt
19 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 19 Frequenzraumfilterung Filter im Frequenzraum so entwickeln, dass die Artefakte nicht auftauchen können. Ideales Tiefpassfilter F max Cut-Off-Frequenz H F max ( u, v) 1 = 0, falls u,sonst. 2 + v 2 F 2 max
20 Beispiel LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 20
21 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 21 Tiefpassfilter zur Rauschunterdrückung Cutoff-Frequenz: 40
22 Ringing-Artefakt LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 22
23 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 23 Ringing-Artefakt Helligkeit m F(u) Bildzeile Das Ringing-Artefakt entsteht, weil scharfe Kanten durch Wellen aller Frequenzen beschrieben werden. Fourier-transformierte Zeile u
24 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 24 Filterung F(u) u Fouriertransformierte Zeile
25 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 25 Butterworth-Filter Frequenzen werden nicht gelöscht, sondern nur abgeschwächt. Tiefpass-Filter: H ( u, v) = 1+ Hochpass-Filter: D 0 : H ( u, v) = 1+ Cutoff-Frequenz, 1 2 ( D( u, v) / D ) n ( D / D( u v) ) n 0, D(u,v): Frequenz, d.h. Abstand vom Ursprung Tiefpass Butterworth- Tiefpass H(u,v)=0.5
26 Butterworth vs. Einfacher Tiefpass LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 26
27 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 27 Binomialfilter Eindimensionaler Binomialfilter B p = [1 1]*[1 1] *...*[1 1] (p-mal): B 0 = 1-1 [1] B 1 = 2-1 [1 1] B 2 = 4-1 [1 2 1] B 3 = 8-1 [ ] B 4 = 16-1 [ ]... Zweidimensionaler Binomialfilter B p = B p *(B p ) T : B 2 = 4-1 [1 2 1] T 4-1 [1 2 1] =
28 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 28 Zweidimensionale Binomialfilter B 2 = 1/16 [1 2 1] T [1 2 1] = 1/ B 3 = 1/64 [ ] T [ ] = 1/ B 4 = 1/
29 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 29 Transferfunktion des Binomialfilters Binomialfilter B 2 Binomialfilter B 4 Weniger Artefakte an Kanten sind zu erwarten.
30 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 30 Filterresultate des Binomialfilters original Filter B 16 Bildzeile rot: vor der Filterung weiß: nach Filterung
31 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 31 Butterworth-Filter / Binomialfilter Ideales Tiefpassfilter: kompakter Träger im Frequenzraum, aber artefakt-verursachende Ortsraumrepräsentation Butterworth-Filter: kontrolliert monoton fallende Funktion im Frequenzraum, deren Ortsraumrepräsentation ebenfalls monoton fällt. Mittelwertfilter: kompakter Träger im Ortsraum, aber artefaktverursachende Frequenzraumrepräsentation Binomial-Filter: monoton fallende Funktion mit kompaktem Träger im Ortsraum, deren Frequenzraumrepräsentation monoton fällt.
32 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 32 Binomialfilter und Gaußfunktion Für immer größere Filterkerne nähert sich das Binomialfilter der Gaußschen Glockenkurve an. Der Betrag der Transferfunktion einer solchen Funktion ist wieder eine Gaußsche Glockenkurve. boxcar Gaußsche Glockenkurve Transferfunktion Transferfunktion gauss(x,y) = [σ 2π] -1 exp[-(x 2 +y 2 )/(2σ 2 )]
33 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 33 Filterung mit 2D Gaußfilter Die Gaußfunktion ist separabel, so dass die Filterung durch zwei 1D Konvolutionen erfolgen kann.
34 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 34 Grenzen Sogenanntes Impulsrauschen (Salt & Pepper Noise) kann nicht entfernt werden.
35 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 35 Was sollten Sie heute gelernt haben? Rauschunterdrückung durch Schätzung des Erwartungswerts der Bildfunktion Schätzung des Erwartungswerts = zeitliche oder räumliche Integration Filter im Orts- und Frequenzraum Artefakte bei Orts-/Frequenzraumfiltern
36 Rembrandt: Die Nachtwache, 1642 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 36
37 Edward Hopper: Nighthawks, 1942 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 37
38 LMU München Medieninformatik Butz/Hilliges 2D Graphics WS Folie 38 Literatur Klaus D. Tönnies: "Grundlagen der Bildverarbeitung", ISBN r&isbn= &pszielgruppe=student
Graphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV, Regina Pohle,. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrComputergraphik 1 2. Teil: Bildverarbeitung
1 Computergraphik 1 2. Teil: Bildverarbeitung Bildverbesserung 2 Themen jetzt gleich Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert 3 Was ist Rauschen? Rauschen n(m,n) ist
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrProseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev
Proseminar Grundlagen der Bildverarbeitung Thema: Bildverbesserung Konstantin Rastegaev 1 Inhaltsverzeichnis: 1.Pixelbasierte Bildverbesserung...3 1.1.Monotone Grauwertabbildung...3 1.1.1.Maximierung des
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
Mehr2D Graphik: Bildverbesserung. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005
2D Graphik: Bildverbesserung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 2. Dezember 2005 Themen heute Rauschen, Entropie Bildverbesserung Punktbasiert Flächenbasiert Kantenbasiert Was ist
MehrComputergrafik 2: Filtern im Ortsraum
Computergrafik 2: Filtern im Ortsraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Grauwertmodifikation Graphische DV und BV, Regina Pohle, 10. Bildverbesserung - Grauwertmodifikation 1 Einordnung
MehrWas bisher geschah. digitale Bilder: Funktion B : pos col Matrix B col pos. Punktoperationen f : col 1 col 2
Was bisher geschah digitale Bilder: Funktion B : pos col Matrix B col pos statistische Merkmale Punktoperationen f : col 1 col 2 (Bildanalyse) (Farbtransformation) Geometrische Operationen f : pos 1 pos
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrComputergrafik 2: Übung 2. Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung
Computergrafik 2: Übung 2 Subsampling und Moiré-Effekte, Color Maps und Histogrammlinearisierung Inhalt Besprechung von Übung 1 Subsampling und Moiré Effekte Color Maps Histogrammlinearisierung Computergrafik
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Bildverbesserung - Filterung Graphische DV und BV Regina Pohle. Bildverbesserung - Filterung Einordnung in die Inhalte der Vorlesung
MehrProseminar: Grundlagen Bildverarbeitung / Bildverstehen. Bildverbesserung. Sylwia Kawalerowicz
Proseminar: Grundlagen Bildverarbeitung / Bildverstehen Bildverbesserung Sylwia Kawalerowicz Betreuer: Michael Roth Abgabetermin: 8 April 2006 Inhaltverzeichnis Kapitel...3.. Die wichtigen Fragen der Bildverbesserung....3.2
MehrÜbung zur Vorlesung 2D Grafik Wintersemester 05/06. Otmar Hilliges
Übung zur Vorlesung 2D Grafik Wintersemester 05/06 Übungsblatt 5 Musterlösung auf der Übungsseite. https://wiki.medien.ifi.lmu.de/pub/main/uebung2dgrafikws 0506/FFT_LSG.jar Page 2 transform() for (y =
MehrSystemtheorie abbildender Systeme
Bandbegrenzung Bild in (b) nicht band-begrenzt: scharfe Kanten = Dirac-Funktionen = weißes Spektrum Erfordert Tapering vor Digitalisierung (Multiplikation mit geeigneter Fensterfunktion; auf Null drücken
Mehr2D Graphik: Bildverbesserung 2
LMU München Medieninformatik Butz/Hilliges D Graphics WS5 9..5 Folie D Graphik: Bildverbesserung Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 9. Dezember 5 LMU München Medieninformatik Butz/Hilliges
MehrComputergrafik 2: Übung 6. Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter
Computergrafik : Übung 6 Korrelation im Orts- und Frequenzraum, Filtern im Frequenzraum, Wiener Filter Quiz Warum Filtern im Frequenzraum? Ideales Tiefpassfilter? Parameter? Eigenschaften? Butterworth-Filter?
Mehr2D Graphik: FFT und Anwendungen der Fouriertransformation. Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 25.
LMU München Medieninformatik Butz/Hilliges D Graphics WS005 5..005 Folie D Graphik: FFT und Anwendungen der Fouriertransformation Vorlesung D Graphik Andreas Butz, Otmar Hilliges Freitag, 5. ovember 005
MehrGraphische Datenverarbeitung und Bildverarbeitung
Graphische Datenverarbeitung und Bildverarbeitung Hochschule Niederrhein Fourier-Transformation Graphische DV und BV, Regina Pohle, 8. Fourier-Transformation 1 Einordnung in die Inhalte der Vorlesung Einführung
MehrFilter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS
Filter Transformationen (Blender) INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Wozu Filter? Wozu Filter? Beispiel 3 Teil1: Filter anwenden (verschiedene Filter anwenden um diverse Effekte zu erzeugen)
MehrDigitale Bildverarbeitung Einheit 8 Lineare Filterung
Digitale Bildverarbeitung Einheit 8 Lineare Filterung Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen, wie lineare
MehrEVC Repetitorium Blender
EVC Repetitorium Blender Michael Hecher Felix Kreuzer Institute of Computer Graphics and Algorithms Vienna University of Technology INSTITUTE OF COMPUTER GRAPHICS AND ALGORITHMS Filter Transformationen
MehrBildverbesserung. Frequenz-, Punkt- und Maskenoperationen. Backfrieder-Hagenberg
Bildverbesserung Frequenz-, Punkt- und Maskenoperationen Filtern im Frequenzraum Fouriertransformation f(x)->f( ) Filter-Multiplikation F =FxH Rücktransformation F ( )->f (x) local-domain frequency-domain
MehrEinführung in die medizinische Bildverarbeitung WS 12/13
Einführung in die medizinische Bildverarbeitung WS 12/13 Stephan Gimbel Kurze Wiederholung Pipeline Pipelinestufen können sich unterscheiden, beinhalten aber i.d.r. eine Stufe zur Bildvorverarbeitung zur
MehrStruktur des menschlichen Auges. Bildgebende Verfahren in der Medizin und medizinische Bildverarbeitung Bildverbesserung 2 / 99
Struktur des menschlichen Auges 2 / 99 Detektoren im Auge Ca. 100 150 Mio. Stäbchen Ca. 1 Mio. Zäpfchen 3 / 99 Zapfen Entlang der Sehachse, im Fokus Tagessehen (Photopisches Sehen) Scharfsehen Farbsehen
MehrComputergraphik 1 2. Teil: Bildverarbeitung. Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation
Computergraphik 1 2. Teil: Bildverarbeitung Fouriertransformation Ende FFT, Bildrestauration mit PSF Transformation, Interpolation LMU München Medieninformatik Butz/Hoppe Computergrafik 1 SS2009 1 2 Repräsentation
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrBildverarbeitung in der Robotik
Bildverarbeitung in der Robotik Thomas Röfer (Folien z.t. von Rolf Müller) Bildaufnahme Filter Kantenfindung Farbverarbeitung Landmarkenerkennung Einsatzgebiete Industrie Qualitätskontrolle Lageerkennung
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Fouriertransformation Organisatorisches Neue Abgabefrist für Blatt
MehrFilterung von Bildern (2D-Filter)
Prof. Dr. Wolfgang Konen, Thomas Zielke Filterung von Bildern (2D-Filter) SS06 6. Konen, Zielke Aktivierung Was, denken Sie, ist ein Filter in der BV? Welche Filter kennen Sie? neuer Pixelwert bilden aus
MehrBildverbesserung (Image Enhancement)
Prof. Dr. Wolfgang Konen, Thomas Zielke Bildverbesserung (Image Enhancement) WS07 7.1 Konen, Zielke Der Prozess der Bildverbesserung (1) Bildverbesserung wird häufig dafür eingesetzt, die für einen menschlichen
MehrFILTER UND FALTUNGEN
Ausarbeitung zum Vortrag von Daniel Schmitzek im Seminar Verarbeitung und Manipulation digitaler Bilder I n h a l t. Der Begriff des Filters 3 2. Faltungsfilter 4 2. Glättungsfilter 4 2.2 Filter zur Kantendetektion
MehrComputergrafik 2: Digitale Bilder & Punktoperationen
Computergrafik 2: Digitale Bilder & Punktoperationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D.
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Filtern im Frequenzraum Segmentierung Organisatorisches Klausuranmeldung
Mehr1. Filterung im Ortsbereich 1.1 Grundbegriffe 1.2 Lineare Filter 1.3 Nicht-Lineare Filter 1.4 Separabele Filter 1.
. Filterung im Ortsbereich. Grundbegriffe. Lineare Filter.3 Nicht-Lineare Filter.4 Separabele Filter.5 Implementierung. Filterung im Frequenzbereich. Fouriertransformation. Hoch-, Tief- und Bandpassfilter.3
MehrHauptklausur zur Vorlesung Bildverarbeitung WS 2002/2003
Name:........................................ Vorname:..................................... Matrikelnummer:.............................. Bitte Studiengang ankreuzen: Computervisualistik Informatik Hauptklausur
MehrDarstellung als Filterbank. Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge.
Darstellung als Filterbank Annahme für die Codierung: bestimmter Betrachtungsabstand, Wiedergabegröße Bestimmter Betrachtungswinkel für das Auge. - Trifft in bestimmten Maße auch auf das Original zu, da
MehrRauschunterdrückung in der Theorie & Praxis
Rauschunterdrückung in der Theorie & Praxis Florian Kramer Urs Pricking Seminar Simulation und Bildanalyse in Java Universität Ulm, Abteilungen SAI & Stochastik 4 Übersicht Motivation Arten von Rauschen
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrComputergrafik 2: Digitale Bilder & Punktoperationen
Computergrafik 2: Digitale Bilder & Punktoperationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D.
MehrBildverarbeitung: Filterung. D. Schlesinger () Bildverarbeitung: Filterung 1 / 17
Bildverarbeitung: Filterung D. Schlesinger () Bildverarbeitung: Filterung 1 / 17 Allgemeines Klassische Anwendung: Entrauschung (Fast) jeder Filter basiert auf einem Modell (Annahme): Signal + Rauschen
Mehr1. Bildverbesserung / Bildvorverarbeitung
1. Bildverbesserung / Bildvorverarbeitung Bildverbesserung ist problemorientiert für menschliche/maschinelle Interpretation Dominanz zwischen Farbe, Textur, Kontext Ziel der ikonischen Bildauswertung:
MehrBildpunkt auf dem Gitter: Pixel (picture element) (manchmal auch Pel)
4. Digitalisierung und Bildoperationen 4.1 Digitalisierung (Sampling, Abtastung) Rasterung auf 2D-Bildmatrix mathematisch: Abb. einer 2-dim. Bildfunktion mit kontinuierlichem Definitionsbereich auf digitales
MehrTechnische Universität
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Filter im Frequenzraum Proseminar Jakob Külzer Betreuer: Abgabetermin: 16.02.2005 Dipl.-Inform. Heiko Gottschling
MehrÜbung: Computergrafik 1
Prof. Dr. Andreas Butz Prof. Dr. Ing. Axel Hoppe Dipl.-Medieninf. Dominikus Baur Dipl.-Medieninf. Sebastian Boring Übung: Computergrafik 1 Konvolutionen Morphologische Operationen Hough-Transformation
MehrLaborprotokoll SSY Abtastung
Laborprotokoll SSY Abtastung Daniel Schrenk, Andreas Unterweger SSYLB WS 05/06 Abtastung Seite 1 von 12 Einleitung Ziel der Übung In dieser Laborübung sollte ein Signal abgetastet werden und anschließend
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrDigitale Signalbearbeitung und statistische Datenanalyse
Digitale Signalbearbeitung und statistische Datenanalyse Teil 6 146 2. Teil Ziele der Filteranwendung Signal-Trennung (z.b. EKG eines Kindes im Mutterleib, Spektralanalyse) Signal-Restauration (z.b. unscharfes
MehrPerlen der Informatik I Wintersemester 2012 Aufgabenblatt 6
Technische Universität München WS 2012 Institut für Informatik Prof. Dr. H.-J. Bungartz Prof. Dr. T. Huckle Prof. Dr. M. Bader Kristof Unterweger Perlen der Informatik I Wintersemester 2012 Aufgabenblatt
MehrComputergrafik 2: Morphologische Operationen
Computergrafik 2: Morphologische Operationen Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies
MehrMultimediale Werkzeuge 1, Audio-Berabeitung. normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1
Multimediale Werkzeuge 1, Audio-Berabeitung normierte Frequenz (normiert auf die halbe Abtastrate, maximale Frequenz ist pi oder 1 Beachte: Teilbänder werden nach den Unter-Abtasten "aufgeblasen" (siehe
MehrGrundlagen der Videotechnik
Grundlagen der Videotechnik 11-11-21 Rekonstruktion des abgetasteten Bildes, Zeilenabtastung. Wir nehmen des Auge als Rekonstruktions-Tiefpassfilter. Annahme:Bildschirm, Display ist scharf, lässt noch
Mehr2D Graphik: Zusammenfassung
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 10.02.2006 Folie 1 2D Graphik: Zusammenfassung Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 10. Februar 2006 LMU München Medieninformatik
Mehr2D Graphik: Digitalphotographie, Abtastung von Bildern
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 11.11.2005 Folie 1 2D Graphik: Digitalphotographie, Abtastung von Bildern Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 11. November
MehrFaltung, Korrelation, Filtern
Faltung, Korrelation, Filtern Wie beschreibe ich lineare Systeme (z.b. Seismometer) -> Faltung, Konvolution, Dekonvolution? Wie quantifiziere ich die Ähnlichkeit von Zeitreihen (-> Korrelation) Wie quantifiziere
MehrFiles 1 Grundlagen ... 3 2 Tiefpassfilter ... 5 3 Hochpassfilter. ...8 4 Rangordnungsfilter ... 15 5 Quellenverzeichnis. ... 22
Tutorial Files 1 Grundlagen... 3 2 Tiefpassfilter... 5 3 Hochpassfilter...8 3.1 Richtungsunabhängige Hochpassfilter... 8 3.2 Richtungsabhängige Hochpassfilter... 10 3.2.1 Sobel-... 10 3.2.2 Prewitt-...13
MehrKapitel 7. Bildverarbeitung im Frequenzraum
Kapitel 7 Bildverarbeitung im Frequenzraum Durchführung von Faltungen im Frequenzraum Filterung im Frequenzraum: Tiefpass- und Hochpass-Filter, etc. Bildrestaurierung Notch-Filter: Entfernung periodischer
Mehr(Fast) Fourier Transformation und ihre Anwendungen
(Fast) Fourier Transformation und ihre Anwendungen Johannes Lülff Universität Münster 14.01.2009 Definition Fouriertransformation F (ω) = F [f(t)] (ω) := 1 2π dt f(t)e iωt Fouriersynthese f(t) = F 1 [F
MehrFilter. Industrielle Bildverarbeitung, Vorlesung No M. O. Franz
Filter Industrielle Bildverarbeitung, Vorlesung No. 5 1 M. O. Franz 07.11.2007 1 falls nicht anders vermerkt, sind die Abbildungen entnommen aus Burger & Burge, 2005. Übersicht 1 Lineare Filter 2 Formale
MehrDiskrete Signalverarbeitung und diskrete Systeme
Diskrete Signalverarbeitung und diskrete Systeme Computer- basierte Verarbeitung von Signalen und Realisierung von Systemverhalten erfordern diskrete Signale und diskrete Systembeschreibungen. Wegen der
MehrGrundlagen der Videotechnik, Farbe 2
Grundlagen der Videotechnik, Farbe 2 1 Beispiel für additive Farbmischung: Aus: O. Limann: Fernsetechnik ohne Ballast, Franzis Verlag 2 Veranschaulichung Farbe, Farbkomponenten Aus: O. Limann: Fernsetechnik
MehrDistributed Algorithms. Image and Video Processing
Chapter 7 High Dynamic Range (HDR) Distributed Algorithms for Quelle: wikipedia.org 2 1 High Dynamic Range bezeichnet ein hohes Kontrastverhältnis in einem Bild Kontrastverhältnis bei digitalem Bild: 1.000:1
MehrBildverarbeitung Herbstsemester
Bildverarbeitung Herbstsemester Herbstsemester 2009 2012 Filter Filter 1 Inhalt Lineare und nichtlineare Filter Glättungsfilter (z.b. Gauss-Filter) Differenzfilter (z.b. Laplace-Filter) Lineare Faltung
MehrBildverarbeitung. Fachschaftsrat Informatik. Professor Fuchs. Fragen TECHNISCHE UNIVERSITÄT DRESDEN. Unterteilung der Filter in Klassen
Professor Fuchs Unterteilung der Filter in Klassen Wie erstellt man bei der Segmentierung objektumschreibende Formen? Eigenschaften der Zellkomplextopologie Was ist ein Histogramm? Wozu ist es gut? Unterschied
MehrGrundlagen der Bildverarbeitung
Grundlagen der Bildverarbeitung Inhaltsverzeichnis Vorwort 9 Kapitel 1 Einführung 13 1.1 Anwendungen der digitalen Bildverarbeitung 16 1.2 Algorithmische Verarbeitung von Bildinformation 17 1.3 Zu diesem
MehrGrundlagen der Bildverarbeitung Klaus D. Tönnies
Grundlagen der Bildverarbeitung Klaus D. Tönnies ein Imprint von Pearson Education München Boston San Francisco Harlow, England Don Mills, Ontario Sydney Mexico City Madrid Amsterdam Inhaltsverzeichnis
MehrArbeitsblatt 27: Normalverteilung Kerzen
Erläuterungen und Aufgaben Zeichenerklärung: [ ] - Drücke die entsprechende Taste des Graphikrechners! [ ] S - Drücke erst die Taste [SHIFT] und dann die entsprechende Taste! [ ] A - Drücke erst die Taste
MehrTechnische Universität München. Fakultät für Informatik
Technische Universität München Fakultät für Informatik Forschungs- und Lehreinheit Informatik IX Thema: Filterung im Bildraum: Konvolution Proseminar: Grundlagen Bildverstehen/Bildgestaltung Jonas Zaddach
MehrPraktikum Sensitometrie Bestimmung des Signal Rausch Verhältnisses (SRV) eines Flachbett-Scanners
Praktikum Sensitometrie Bestimmung des Signal Rausch Verhältnisses (SRV) eines Flachbett-Scanners Name: Name: Matr.: Nr.: Matr.: Nr.: Datum: 25. 04 2005 Prof. Dr. C. Blendl Stand: Februar 2005 1 1.1 Ziel
MehrComputergrafik 2: Filtern im Frequenzraum
Computergrafik 2: Filtern im Frequenzraum Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrAudio-Bearbeitung. Diese Freq. Anteile «verschwinden» nach dem unterabtasten Filter muß schmal genug sein! Nach Unterabtastung
Audio Signal Audio-Bearbeitung Ampl Vor Unterabtastung Teilband Grenzen Normierte Frequenz (normierte Abtastrate, maximale Frequenz ist pi oder 1) Teilbänder Diese Freq. Anteile «verschwinden» nach dem
MehrComputergrafik / Animation. künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten).
Computergrafik / Animation künstliches Objekt, dargestellt durch Anzahl von Punkten in Raum und Zeit (bei bewegten, animierten Objekten). Punkte, werden auch «Kontrollpunkte» genannt Wesentlicher Punkt:
Mehr2D Graphik: Pixel-Graphik Grundlagen
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 28.10.2005 Folie 1 2D Graphik: Pixel-Graphik Grundlagen Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges 28.10.2005 LMU München Medieninformatik
MehrBilder: Eigenschaften
Bilder: Eigenschaften Images M. Thaler TG208 tham@zhaw.ch Juni 17 1 1 Um was geht es? Juni 17 2 Was ist ein Bild? - hier sehen sie verschiedene Ausschnitte eines digitalen Bildes -das Bild besteht aus
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
MehrComputergrafik 2: Fourier-Transformation
Computergrafik 2: Fourier-Transformation Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
Mehr2D Graphik: Klassifikation
LMU München Medieninformatik Butz/Hilliges 2D Graphics WS2005 20.01.2006 Folie 1 2D Graphik: Klassifikation Vorlesung 2D Graphik Andreas Butz, Otmar Hilliges Freitag, 20. Januar 2006 LMU München Medieninformatik
MehrComputergrafik 2: Kanten, Linien, Ecken
Computergrafik 2: Kanten, Linien, Ecken Prof. Dr. Michael Rohs, Dipl.-Inform. Sven Kratz michael.rohs@ifi.lmu.de MHCI Lab, LMU München Folien teilweise von Andreas Butz, sowie von Klaus D. Tönnies (Grundlagen
MehrSYS_A - ANALYSIEREN. Statistik. NTB Druckdatum: SYS A. Histogramm (Praxis) Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100
SYS_A - ANALYSIEREN Statistik Gaußsche Normalverteilung (Theorie) Gebrauch: bei n > 100 Histogramm (Praxis) Realisierung Lage Streuung Zufallsvariable Dichte der Normalverteilung Verteilungsfunktion Fläche
MehrGrundlagen der Computer-Tomographie
Grundlagen der Computer-Tomographie Quellenangabe Die folgenden Folien sind zum Teil dem Übersichtsvortrag: imbie.meb.uni-bonn.de/epileptologie/staff/lehnertz/ct1.pdf entnommen. Als Quelle für die mathematischen
Mehr10.4 Funktionen von mehreren Variablen
10.4 Funktionen von mehreren Variablen 87 10.4 Funktionen von mehreren Variablen Veranschaulichung von Funktionen eine Variable wei Variablen f() oder = f() (, ) f(, ) oder = f(, ) D(f) IR; Darstellung
Mehr- Sei r(x,y) Eingangsbild, dass nur Rauschen (Quantenrauschen) enthält.
Eingang System Ausgang - Sei r(x,y) Eingangsbild, dass nur (Quantenrauschen) enthält. - Das Bild enthalte keinerlei Information, d.h. das Spektrum ist weiß und es gibt keine Korrelationen zwischen den
MehrPraktikum-Meßtechnik Verfasser: Dr. H. Bergelt
TU Bergakademie Freiberg Praktikum-Meßtechnik Verfasser: Dr. H. Bergelt Filter in der Bildverarbeitung. Einleitung Digitale Filter gehören zu den wirkungsvollsten Methoden der Bildverarbeitung. Wir können
Mehr1.3 Digitale Audiosignale
Seite 22 von 86 Abb. 1.2.12 - Wirkung der Schallverzögerung Effekte sind: Delay, Echo, Reverb, Flanger und Chorus Hört man ein akustisches Signal im Raum, dann werden die Signale von Wänden und anderen
MehrDebayeringverfahren. 19. Mai Thomas Noack, Nikolai Kosjar. SE Computational Photography - Debayeringverfahren
Debayeringverfahren Thomas Noack, Nikolai Kosjar 19. Mai 2010 Was bisher geschah... Reduktion der Herstellungskosten durch Einsatz von nur noch einem CCD-Sensor mit Bayer-Filter Problem: Bayer Image Full
Mehr6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen
6. Stochastische Modelle II: Stetige Wahrscheinlichkeitsverteilungen, insbesondere Normalverteilungen Dr. Antje Kiesel Institut für Angewandte Mathematik WS 2011/2012 Bisher: Diskrete Zufallsvariablen,
MehrModul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt
Modul Digitale Bildverarbeitung SS16 Bestandteile der Lehrveranstaltung und Prüfung: Vorlesungen Übungsserien Praktika (ImageJ) bis Mai 2016 Projekt im Juni 2016 Themen: Digitale Bilder, Eigenschaften
MehrDigitale Bildverarbeitung (DBV)
Digitale Bildverarbeitung (DBV) Prof. Dr. Ing. Heinz Jürgen Przybilla Labor für Photogrammetrie Email: heinz juergen.przybilla@hs bochum.de Tel. 0234 32 10517 Sprechstunde: Montags 13 14 Uhr und nach Vereinbarung
MehrComputergraphik I. Das Abtasttheorem. Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1
Das Abtasttheorem Problem bei räumlicher Abtastung: Oliver Deussen Abtasttheorem 1 Problem bei zeitlicher Abtastung: Oliver Deussen Abtasttheorem 2 Darstellung auf Monitor Was geschieht eigentlich, wenn
MehrSegmentierung. Vorlesung FH-Hagenberg SEM
Segmentierung Vorlesung FH-Hagenberg SEM Segmentierung: Definition Die Pixel eines Bildes A={a i }, i=1:n, mit N der Anzahl der Pixel, werden in Teilmengen S i unterteilt. Die Teilmengen sind disjunkt
MehrElektrische Messtechnik Protokoll - Bestimmung des Frequenzgangs durch eine Messung im Zeitbereich
Elektrische Messtechnik Protokoll - Bestimmung des Frequenzgangs durch eine Messung im Zeitbereich André Grüneberg Janko Lötzsch Mario Apitz Friedemar Blohm Versuch: 19. Dezember 2001 Protokoll: 6. Januar
MehrDigitale Bildverarbeitung Einheit 9 Morphologische Operationen
Digitale Bildverarbeitung Einheit 9 Morphologische Operationen Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Verstehen,
MehrEinführung in die Signalverarbeitung
Einführung in die Signalverarbeitung Phonetik und Sprachverarbeitung, 2. Fachsemester, Block Sprachtechnologie I Florian Schiel Institut für Phonetik und Sprachverarbeitung, LMU München Signalverarbeitung
MehrBildverarbeitung und Mustererkennung
Bildverarbeitung und Mustererkennung Prüfung im Modul ET5030 für den Masterstudiengang Systems Design & Production Management Professor Dr.-Ing. Martin Werner Juli 2013 Hinweise zur Bearbeitung der Klausur
Mehr12 Die Normalverteilung
12 Die Normalverteilung Die Normalverteilung ist eine der wichtigsten Wahrscheinlichkeitsverteilungen in der Praxis, weil aufgrund des sogenannten zentralen Grenzwertsatzes in vielen Situationen angenommen
MehrBildverarbeitung. Bildvorverarbeitung - Fourier-Transformation -
Bildverarbeitung Bildvorverarbeitung - Fourier-Transformation - 1 Themen Methoden Punktoperationen / Lokale Operationen / Globale Operationen Homogene / Inhomogene Operationen Lineare / Nichtlineare Operationen
MehrDiskretisierung und Quantisierung (Teil 1) Prof. U. Rüde - Algorithmik kontinuierlicher Systeme
Algorithmik kontinuierlicher Systeme Diskretisierung und Quantisierung (Teil ) Digitalisierung und Quantisierung Motivation Analoge Aufnahme von Sprache, Bildern, Digitale Speicherung durch Diskretisierung
Mehr